本体引导多跳知识图问答的证据路径推理

知识图问答（KGQA）旨在通过对结构化事实进行推理来回答自然语言问题。现有的多跳 KGQA 方法主要依赖于以主题为中心的扩展，面临两个关键挑战：搜索空间随着噪声混合类型路径的快速增长，检索到的路径可能无法满足复杂问题的语义约束。为了应对这些挑战，我们提出了 OPI，一种用于多跳 KGQA 的本体引导证据路径推理框架。 OPI 引入了以关系为中心的本体图来捕获关系的头尾类型约束，为答案端约束提供紧凑的接口。基于该本体图，OPI首先引入双向检索机制，将预测答案类型映射到兼容的最终跳关系，并将主题侧前缀扩展与答案侧最终跳匹配相结合，从而抑制噪声混合类型扩展。 OPI 进一步采用迭代细化策略来重新评估问题上下文下的检索路径和候选答案，过滤类型兼容但与问题无关的证据，以实现更可靠的答案预测。在 WebQSP、CWQ 和 MetaQA 上的实验表明，OPI 大大减少了搜索空间，与最强的先验结果相比，在 WebQSP 上将 Hit@1/F1 提高了 4.6/5.0 点，在 CWQ 上提高了 8.9/3.3 点，并且仅使用检索模块就在 MetaQA 上实现了接近饱和的 Hit@1。